增材制造-3D打印作为范例的数字化制造技能，从设计莅临盆再到质量担保（QA）的全体事情流程中都运转着海量的数据。
增材制造设计的繁芜性与材料、生产参数、质量哀求等浩瀚成分相互依存，面对巨大的繁芜性，人类的履历很难引发增材制造技能的潜能，使之成为一种用于生产的制造技能。
这些特点恰好为人工智能供应了运用土壤。

本期，3D科学谷就与谷友一起通过增材制造中的人工智能运用领略人工智能如何赋能增材制造。

推动增材制造的生产级运用

只管增材制造技能在实现批量定制化生产以及实现繁芜设计方面独具魅力，但该技能在制造业中的运用仍受到诸多阻力，不利成分包括：速率和终极零件的质量或须要进一步的投资才能匹配该技能，企业出于财务方面的考虑等。
但人工智能技能在增材制造设计、工艺开拓、质量掌握、材料开拓等关键领域引发增材制造技能的潜能，推动该技能在生产中的运用。

l 设计繁芜性对AI 的需求

增材制造设计的繁芜性与浩瀚成分相互依存，如材料质量将影响零件性能，从而影响设计决策；生产参数将影响质量担保，而质量担保哀求将反响在那些设计决策中……等等。

面对如此巨大的设计繁芜性，我们更加应该思考的问题不是如何在增材制造中利用AI，而是如果没有AI 驱动的设计、生产、质量担保流程，仅凭人类设计师和工程师的力量，我们还能不能利用好增材制造技能在提高产品性能、加速创新等方面的上风。

来源：Additive Flow / 3D ADEPT MEDIA

例如，Additive Flow 公司在面向增材制造的设计软件中引入了几何自由观点与在不同区域实现定制化材料属性的“多属性”观点，这使得增材制造设计的繁芜性更高。
增材制造供应了在全体打印过程中调度参数或将不同的参数运用于零件的不同区域的机会。
从这一点上来看，与传统制造工艺比较，增材制造技能具有开释生产率、本钱和性能改进的巨大潜力。
然而，依赖设计师的履历来手动决定哪些区域应具有哪些属性集，是一个非常繁芜又无法担保成功率的过程。
FormFlow 中的多属性人工智能优化算法恰好能够战胜这一寻衅。
该软件建立在Additive Flow的多材料领导地位的稳固根本之上，能够处理优化中的不同参数集，同时使闇练的工程师能够在分离的网格上无缝地运用其参数知识。

由AI 驱动的设计软件天生的3D打印火箭发动机原型。
设计师须要与算法进行对话，“见告”算法须要发动机实现的功能，然后算法便是根据所考虑的性能和规格天生设计工具。
算法天生的火箭发动机设计不是一张设计蓝图，而是一个具有火箭发动机“基因”的设计工具。
来源：Hyperganic/de zeen

同样在面向增材制造的设计领域，作为增材制造的天生“好伙伴”的创成式设计，也是人工智能一个人工智能驱动的流程。
3D科学谷在《人工智能给制造业带来的三大关键革命》一文中谈到，设计师或工程师将设计目标以及材料，制造方法和本钱限定的参数输入到创成式设计软件中。
然后，该软件探索办理方案的所有可能的排列，并快速“天生”设计备选方案。
末了，它利用机器学习来测试和学习每次迭代哪些有效，哪些无效。
创成式设计软件可以帮助人类完成难以实现的繁芜建模过程，如果你正在考试测验优化飞机的机翼设计，或新电动车的扰流板或电池设计乃至只是用于手机外壳的塑料模具 ，通过创成式设计软件，可以在一天内完成相称于50,000天的工程设计。

l3D打印设备的“眼睛”与“大脑”

根据面向未来工厂开拓增材制造软件和硬件的Ai Build 公司，任何不该用AI的软件驱动技能迟早会被替代。
软件开拓职员和设备制造商肩负着共同开拓产品，重新定义增材制造边界的巨大任务。
如果一台增材制造设备能够通过AI 为其客户带来实用或商业代价，则其他没有运用AI 技能的竞争产品极有可能在未来5-10年内难以在市场上生存。

Ai Build 在2016年开始在3D打印机中利用机器视觉技能，以进行自主刀具路径方案，并进行自动故障检测。
当时，嵌入摄像机的工业3D打印设备并不常见，而如今大多数工业3D打印设备都附带内置相机。
Ai Build 现在能够为不同打印平台的互助伙伴和运用开拓打算机视觉办理方案。
Ai Build 认为估量在未来5年，没有基本打算机视觉功能的工业3D打印设备将不会存在。

Ai Build 开拓的AiSync软件中避免利用gcode文件来描述刀具路。
这是非常违反直觉的办法，由于市场上的所有3D打印机和CNC机器都利用gcode或品牌特定的gcode类措辞来驱动机器运动。
gcode在完美的确定性天下中可以很好地事情，可以高精度地预测全体过程。
然而，在现实中，增材制造过程还远达不到完美，因此3D打印零件的物理形式是难以被精确预测的。
这是由于纵然在生产过程中最小的构建体积变革也可能导致增材制造过程中的致命性偏差。
纵然增材制造环境能够被完备掌握，并且如果有一个功能强大的仿真引擎可以准确预测一层中99.9％的韶光的材料行为，则在具有数千个相互支持的层的范例零件上进行整体预测的成功率会出于统计缘故原由，仍低于30％。

这是Ai Build 放弃gcode，而开拓从头开拓更具弹性的全新机器掌握过程的关键缘故原由。
AiSync软件结合利用离线和在线优化方法来掌握3D打印机的动作。
AiSync无需切片设计并将静态gcode文件上传到打算机，而是利用云上功能强大的打算机来剖析设计，并以抽象格式将优化的指令发送到打算机。
然后，这些指令将被位于边缘的另一台打算机实时地逐位阐明并转换为机器级指令，该打算机可以实时访问来自3D打印设备的传感器数据。
这种双重优化根本架构能够将云超级打算的上风与路径方案和边缘打算等高等任务结合在一起，用于故障检测和质量担保等韶光紧迫的任务，从而充分利用AI算法的上风。

人工智能对层进行剖析。
来源：卡内基梅隆大学工程学院

机器视觉和机器学习算法是与增材制造硬件设备密切干系的人工智能技能。
机器视觉和机器学习算法就像3D打印设备的眼睛与大脑一样，授予3D打印设备监测和掌握打印质量的智能化属性，降落发生打印缺点的风险。

卡内基梅隆大学的研究职员创建的一种机器学习算法可以帮助我们更好的理解这些技能对付增材制造技能的意义。
该算法能够对激光粉末床熔融技能进行过程监控纠错。
卡内基梅隆大学研究职员通过打算机视觉算法拍摄粉末床的图像并提取特色，研究职员将这些特色进行分组并在不同层次的剖析中进行比较，直到创建图像的指纹。
人工智能已经学会了如何识别不同的毛病，这是由于研究职员供应了数百个预标记的演习图像。
现在，它可以比较它吸收到的新图像的指纹和它已知的指纹以隔离各种非常。
这种原位监测和剖析粉末床图像的方法，可能成为粉末床金属熔融实时掌握系统的一个组成部分。
这项事情将使金属3D打印成为工业生产中具有高可靠性工艺的发展道路上向前迈出一大步。

l剖析工艺参数与材料性能

人工设置3D打印参数难以避免导致大量报废零件的产生，但是人工智能驱动的参数设置软件是摆脱对付人工履历依赖，降落报废率的有效办法。

***：OPTOMET自动化工艺参数开拓

根据3D科学谷的市场不雅观察，OPTOMET软件将人工智能运用到选区激光熔化SLM系列加工准备中，将参数准备韶光从数周减少到几天，这个软件的智能化程度很高，只须要输入粉末的参数和加工哀求，系统会自动优化加工参数，这量级的节约了人工设置参数韶光，并且避免了人工设置参数导致的大量报废零件产生。
OPTOMET软件还通过人工智能预测零件的机器性能，为新材料的开拓打开了一扇智能化的大门。

另一家从事增材制造数据与软件的公司Senvol 开拓了一种数据驱动的机器学习软件Senvol ML，用于剖析增材制造工艺参与材料性能之间的关系。

Senvol ML 可用于剖析来自任何增材制造工艺、设备和任何增材制造材料的数据。
该软件能够帮助企业快速表征和鉴定增材制造材料和工艺。
Senvol ML 有助于开拓经统计证明的材料特性，减少开拓设计许可量所需的常规材料表征和测试。
还许可用户在给定机器性能的情形下，在特定的增材制造机器上选择适当的工艺参数，这意味着可以减少所需的人工反复试验，从而节省大量韶光和金钱。

l 创建具有新特性的新材料

人工智能将在创建更坚固，更轻，更灵巧且生产本钱更低的材料中发挥超乎想象的浸染。

在这种特定情形下，机器学习常日可以用来开拓新材料。
材料科学家只须要将所需的特性输入程序，机器学习算法便可以预测哪些化学构造单元可以在微不雅观水平上结合在一起，从而创建具有所需功能和特性的构造。

根据3D科学谷的市场不雅观察，由英国剑桥的一家人工智能公司Intellegens开拓的一种新的机器学习算法已被用于设计一种新的金属增材制造镍基合金。
根据Intellegens的说法，该算法为团队节省了大约15年的材料研究韶光和大约1000万美元的研发本钱。
Intellegens的Alchemite™深度学习算法设计的新合金是通过定向能量沉积（DED）金属3D打印工艺进行制造的，该合金可知足增材制造所需的性能目标，用于制造喷气发动机零部件。

l 数据、数据还是数据！

毫无疑问，人工智能须要与增材制造协同事情。
但阻碍人工智能技能与增材制造相集成的寻衅之一是数据。
3D打印的高度繁芜性催生了对付人工智能技能的需求，但这须要大量的数据来担保机器学习算法能够进行精确的“学习”，最佳的优化须要最佳的数据集，然而增材制造领域中的数据获取、管理仍存在寻衅。

根据3D科学谷的市场不雅观察，ASTM国际标委会与Americas Makes 已经有所行动，他们互助推出增材制造数据计策指南，该指南指出了增材制造（AM）数据的差距、寻衅、办理方案和行动操持。
ASTM在增材制造数据计策指南中提出了创建一个健全有力的增材制造数据生态系统，以此推动3D打印进入指数级增长态势。

只管人工智能和增材制造之间有着完美集成与匹配的天然根本，但间隔实现这一目标还有很长的路要走。
能够引发人工智能潜能的要素是数据，然而获取增材制造过程中的海量数据，将人工智能精确集成到增材制造过程中，这一领域中的干系利益者之间的标准化和协作都是必要的。

网站投稿请发送至2509957133@***.com

欢迎转载，长期转载授权请留言